rerank-2.5 è il reranker di Voyage AI che segue istruzioni, progettato per perfezionare un insieme di candidati di ricerca. Esamina congiuntamente la query e ogni documento come cross-encoder, poi restituisce un ordine di pertinenza. Il rilascio del produttore evidenzia il controllo in linguaggio naturale su cosa conta come pertinente, il recupero multilingue e un contesto query-documento più lungo rispetto alla precedente edizione rerank-2.
L'input è una query e un elenco di documenti testuali candidati. Possono essere brani selezionati da una ricerca basata su embedding o da una ricerca lessicale iniziale. Il reranker valuta il testo fornito anziché creare embedding del corpus, quindi il suo compito pratico è perfezionare i candidati già trovati dalla ricerca iniziale.
Mantieni l'ordine originale dei candidati e gli identificatori delle fonti quando prepari l'elenco. Gli indici restituiti si riferiscono a quelle posizioni di input. Per un'attività RAG, fornisci i brani che la fase di risposta potrebbe effettivamente usare, inclusi titolo o condizioni necessari a interpretarli. Un documento pertinente assente dall'insieme inviato non può apparire come risultato appena trovato dal reranking.
Le istruzioni possono essere aggiunte prima o dopo la query. Il rilascio descrive tre ruoli utili: evidenziare una parte specifica di un documento, preferire un tipo di fonte e disambiguare la query con il contesto applicativo. Questi modificano il compito di pertinenza presentato al modello.
Per una ricerca tecnica, un'istruzione esemplificativa è «Dai priorità ai brani che spiegano il comportamento in caso di errore e di ripristino; le panoramiche introduttive sono secondarie». Per una raccolta di ricerca, specifica se contino di più titolo, metodo o risultato. Per un termine ambiguo, indica l'ambito a cui si riferisce la ricerca. Mantieni compatibili domanda e istruzione, così una non chiede un argomento ampio mentre l'altra modifica silenziosamente l'attività.
Queste preferenze guidano il punteggio di pertinenza. Se l'applicazione ha requisiti rigidi di ammissibilità — come versione della fonte, data o ambito di accesso — prepara separatamente l'insieme dei candidati ammissibili. L'istruzione di pertinenza del modello e una restrizione deterministica della raccolta servono a scopi diversi.
I risultati sono ordinati per pertinenza decrescente e comprendono un punteggio di pertinenza a virgola mobile e l'indice originale di input del candidato. L'opzione top-k seleziona quanti primi risultati restituire; senza di essa, la specifica del produttore restituisce risultati per tutti i candidati inviati. Un'impostazione opzionale return-documents include il testo originale corrispondente; altrimenti la risposta contiene indici e punteggi.
Usa l'ordine per selezionare brani da mostrare o per una fase successiva di risposta, mantenendo intatta l'identità della fonte. Esamina il testo effettivo quando valuti la classifica: il punteggio misura la pertinenza alla query inviata, non è una risposta generata né una verifica della correttezza delle affermazioni del documento. Questo rende il modello utile per perfezionare materiale di ricerca tecnico, legale, finanziario, medico, conversazionale e multilingue senza trasformare la classifica in una conclusione di settore.
Il limite documentato della query è di 8.000 token, incluse le istruzioni inserite nella query. La query più un singolo documento candidato devono rientrare in 32.000 token e l'elenco dei documenti può contenere al massimo 1.000 elementi. Il totale consentito è di 600.000 token, conteggiati come token della query moltiplicati per il numero di documenti, più tutti i token dei documenti. Un'istruzione lunga viene quindi contata ripetutamente nelle coppie candidate.
Il numero top-k dell'output non cambia il numero di candidati in quel calcolo dei token di input. Il troncamento predefinito accorcia query o documenti troppo lunghi per rispettare il limite di contesto; disabilitarlo fa restituire un errore per una query o una coppia troppo lunga. Prepara deliberatamente brani che contengano la risposta e mantieni le condizioni pertinenti nel testo che il modello vedrà. Valuta l'ordine perfezionato su domande e istruzioni rappresentative, poi passa i brani originali selezionati alla fase successiva.
", "aboutText": "rerank-2.5 è il reranker di Voyage AI che segue istruzioni, progettato per perfezionare un insieme di candidati di ricerca. Esamina congiuntamente la query e ogni documento come cross-encoder, poi restituisce un ordine di pertinenza. Il rilascio del produttore evidenzia il controllo in linguaggio naturale su cosa conta come pertinente, il recupero multilingue e un contesto query-documento più lungo rispetto alla precedente edizione rerank-2.\n\n### Fornisci al modello i candidati da confrontare\n\nL'input è una query e un elenco di documenti testuali candidati. Possono essere brani selezionati da una ricerca basata su embedding o da una ricerca lessicale iniziale. Il reranker valuta il testo fornito anziché creare embedding del corpus, quindi il suo compito pratico è perfezionare i candidati già trovati dalla ricerca iniziale.\n\nMantieni l'ordine originale dei candidati e gli identificatori delle fonti quando prepari l'elenco. Gli indici restituiti si riferiscono a quelle posizioni di input. Per un'attività RAG, fornisci i brani che la fase di risposta potrebbe effettivamente usare, inclusi titolo o condizioni necessari a interpretarli. Un documento pertinente assente dall'insieme inviato non può apparire come risultato appena trovato dal reranking.\n\n### Specifica la nozione di pertinenza desiderata\n\nLe istruzioni possono essere aggiunte prima o dopo la query. Il rilascio descrive tre ruoli utili: evidenziare una parte specifica di un documento, preferire un tipo di fonte e disambiguare la query con il contesto applicativo. Questi modificano il compito di pertinenza presentato al modello.\n\nPer una ricerca tecnica, un'istruzione esemplificativa è «Dai priorità ai brani che spiegano il comportamento in caso di errore e di ripristino; le panoramiche introduttive sono secondarie». Per una raccolta di ricerca, specifica se contino di più titolo, metodo o risultato. Per un termine ambiguo, indica l'ambito a cui si riferisce la ricerca. Mantieni compatibili domanda e istruzione, così una non chiede un argomento ampio mentre l'altra modifica silenziosamente l'attività.\n\nQueste preferenze guidano il punteggio di pertinenza. Se l'applicazione ha requisiti rigidi di ammissibilità — come versione della fonte, data o ambito di accesso — prepara separatamente l'insieme dei candidati ammissibili. L'istruzione di pertinenza del modello e una restrizione deterministica della raccolta servono a scopi diversi.\n\n### Output classificato e uso successivo dei risultati\n\nI risultati sono ordinati per pertinenza decrescente e comprendono un punteggio di pertinenza a virgola mobile e l'indice originale di input del candidato. L'opzione top-k seleziona quanti primi risultati restituire; senza di essa, la specifica del produttore restituisce risultati per tutti i candidati inviati. Un'impostazione opzionale return-documents include il testo originale corrispondente; altrimenti la risposta contiene indici e punteggi.\n\nUsa l'ordine per selezionare brani da mostrare o per una fase successiva di risposta, mantenendo intatta l'identità della fonte. Esamina il testo effettivo quando valuti la classifica: il punteggio misura la pertinenza alla query inviata, non è una risposta generata né una verifica della correttezza delle affermazioni del documento. Questo rende il modello utile per perfezionare materiale di ricerca tecnico, legale, finanziario, medico, conversazionale e multilingue senza trasformare la classifica in una conclusione di settore.\n\n### Contesto, budget totale di token e troncamento\n\nIl limite documentato della query è di 8.000 token, incluse le istruzioni inserite nella query. La query più un singolo documento candidato devono rientrare in 32.000 token e l'elenco dei documenti può contenere al massimo 1.000 elementi. Il totale consentito è di 600.000 token, conteggiati come token della query moltiplicati per il numero di documenti, più tutti i token dei documenti. Un'istruzione lunga viene quindi contata ripetutamente nelle coppie candidate.\n\nIl numero top-k dell'output non cambia il numero di candidati in quel calcolo dei token di input. Il troncamento predefinito accorcia query o documenti troppo lunghi per rispettare il limite di contesto; disabilitarlo fa restituire un errore per una query o una coppia troppo lunga. Prepara deliberatamente brani che contengano la risposta e mantieni le condizioni pertinenti nel testo che il modello vedrà. Valuta l'ordine perfezionato su domande e istruzioni rappresentative, poi passa i brani originali selezionati alla fase successiva.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ce5f0fc3e70727eeef9bdca25637a310ba4ec90a5f23f0f864db852d0c49c33d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "voyageai/rerank-2.5rerank-2.5 riordina un insieme fornito di candidati testuali per pertinenza rispetto a una query e a istruzioni opzionali in linguaggio naturale. È un reranker multilingue orientato alla qualità, con un contesto query-documento di 32.000 token e punteggi classificati legati agli indici originali dei candidati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
rerank-2.5 è il reranker di Voyage AI che segue istruzioni, progettato per perfezionare un insieme di candidati di ricerca. Esamina congiuntamente la query e ogni documento come cross-encoder, poi restituisce un ordine di pertinenza. Il rilascio del produttore evidenzia il controllo in linguaggio naturale su cosa conta come pertinente, il recupero multilingue e un contesto query-documento più lungo rispetto alla precedente edizione rerank-2.
L'input è una query e un elenco di documenti testuali candidati. Possono essere brani selezionati da una ricerca basata su embedding o da una ricerca lessicale iniziale. Il reranker valuta il testo fornito anziché creare embedding del corpus, quindi il suo compito pratico è perfezionare i candidati già trovati dalla ricerca iniziale.
Mantieni l'ordine originale dei candidati e gli identificatori delle fonti quando prepari l'elenco. Gli indici restituiti si riferiscono a quelle posizioni di input. Per un'attività RAG, fornisci i brani che la fase di risposta potrebbe effettivamente usare, inclusi titolo o condizioni necessari a interpretarli. Un documento pertinente assente dall'insieme inviato non può apparire come risultato appena trovato dal reranking.
Le istruzioni possono essere aggiunte prima o dopo la query. Il rilascio descrive tre ruoli utili: evidenziare una parte specifica di un documento, preferire un tipo di fonte e disambiguare la query con il contesto applicativo. Questi modificano il compito di pertinenza presentato al modello.
Per una ricerca tecnica, un'istruzione esemplificativa è «Dai priorità ai brani che spiegano il comportamento in caso di errore e di ripristino; le panoramiche introduttive sono secondarie». Per una raccolta di ricerca, specifica se contino di più titolo, metodo o risultato. Per un termine ambiguo, indica l'ambito a cui si riferisce la ricerca. Mantieni compatibili domanda e istruzione, così una non chiede un argomento ampio mentre l'altra modifica silenziosamente l'attività.
Queste preferenze guidano il punteggio di pertinenza. Se l'applicazione ha requisiti rigidi di ammissibilità — come versione della fonte, data o ambito di accesso — prepara separatamente l'insieme dei candidati ammissibili. L'istruzione di pertinenza del modello e una restrizione deterministica della raccolta servono a scopi diversi.
I risultati sono ordinati per pertinenza decrescente e comprendono un punteggio di pertinenza a virgola mobile e l'indice originale di input del candidato. L'opzione top-k seleziona quanti primi risultati restituire; senza di essa, la specifica del produttore restituisce risultati per tutti i candidati inviati. Un'impostazione opzionale return-documents include il testo originale corrispondente; altrimenti la risposta contiene indici e punteggi.
Usa l'ordine per selezionare brani da mostrare o per una fase successiva di risposta, mantenendo intatta l'identità della fonte. Esamina il testo effettivo quando valuti la classifica: il punteggio misura la pertinenza alla query inviata, non è una risposta generata né una verifica della correttezza delle affermazioni del documento. Questo rende il modello utile per perfezionare materiale di ricerca tecnico, legale, finanziario, medico, conversazionale e multilingue senza trasformare la classifica in una conclusione di settore.
Il limite documentato della query è di 8.000 token, incluse le istruzioni inserite nella query. La query più un singolo documento candidato devono rientrare in 32.000 token e l'elenco dei documenti può contenere al massimo 1.000 elementi. Il totale consentito è di 600.000 token, conteggiati come token della query moltiplicati per il numero di documenti, più tutti i token dei documenti. Un'istruzione lunga viene quindi contata ripetutamente nelle coppie candidate.
Il numero top-k dell'output non cambia il numero di candidati in quel calcolo dei token di input. Il troncamento predefinito accorcia query o documenti troppo lunghi per rispettare il limite di contesto; disabilitarlo fa restituire un errore per una query o una coppia troppo lunga. Prepara deliberatamente brani che contengano la risposta e mantieni le condizioni pertinenti nel testo che il modello vedrà. Valuta l'ordine perfezionato su domande e istruzioni rappresentative, poi passa i brani originali selezionati alla fase successiva.
POST /v1/reranktextrerank| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campodocuments | Tipoarray | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti voyageai/rerank-2.5 | Predefinito— |
Campoprovider | Tiposchema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoquery | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposession_id | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotop_n | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 | Predefinito— |
Campotrace | Tiposchema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campouser | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campodocuments[].text | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campodocuments[].image | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
text_rerank · Obbligatorio: query, documents array with minItems1
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, query, documents |
Parametromaterial_types | Contrattotext |
Parametrooptional_controls | Contrattoprovider, session_id, top_n, trace, user |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous
Invia l'ID esatto del modello e conserva l'intera risposta nativa.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Unità di fatturazione | Costo |
|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Unità di fatturazione— | Costo Input · Token in input — / 1K token Output · Token in output — / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneUltra | Listino delle tariffe— | Unità di fatturazione/ 1K token | Costo Input $0.0001 / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='voyageai/rerank-2.5'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/rerank \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Vengono conservati ogni indice effettivo dei risultati, ogni relevance_score finito e l'oggetto documento originale. Gli indici corrispondono all'array di documenti originale. L'intero JSON originale viene memorizzato e restituito solo dopo il conguaglio dell'addebito.
Conserva l'operazione originale e la risposta completa o parziale; non ripetere POST.
| Campo | Tipo |
|---|---|
Campomodel | Tipostring |
Campoid | Tipostring |
Campoprovider | Tipostring |
Camporesults[].index | Tipointeger |
Camporesults[].relevance_score | Tiponumber |
Camporesults[].document.text | Tipostring |
Camporesults[].document.image | Tipostring |
Campousage.search_units | Tipointeger |
Campousage.total_tokens | Tipointeger |
Campousage.cost | Tiponumber |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampo obbligatorio, rappresentazione o valore non valido | Passaggio successivoCorreggi il campo della richiesta indicato. |
Ailoot Ultra voyageai/rerank-2.5
Usa i percorsi dei metodi indicati sopra.